主动扫描中的TLS指纹

工作来源

TMA 2022

工作背景

TLS 正在被更多的犯罪分子所采用，研究人员也开始采用 JARM 进行指纹识别。

工作设计

每个 TLS 服务器都有其特定的行为，取决于 TLS 库、硬件、应用程序实现、功能与配置，这些行为可以被当作指纹进行识别。客户端发起 TLS 握手，服务器对握手请求作出响应。作为指纹的服务器行为不是恒定不变的，需要观察服务器对不同请求的响应。使用多个ClientHello 请求可以增加对服务器行为的了解与覆盖范围。

从TLS 握手中提取特征

从一个给定的 ClientHello 提取特征，包括版本、密码套件、接收到的告警与扩展数据。扩展数据是 ServerHello、Encrypted Extensions、Certificate Request、Hello Retry Request 与 Certificate TLS Message 对应键值对的有序列表，如下所示：

Key Share 仅保留用于 DiffieHellman 密钥交换的部分。组成的指纹示例为：

以一个为例如下所示，完整请见https://github.com/active-tls-fingerprinting/client-hellos。

多个请求的指纹识别

单个响应的精确度不够，多个响应组合起来构建服务器行为的TLS指纹效果更好。请求的数量与不同 ClientHello 的设计是关键，即可最大程度提高收集信息量，又能降低测量成本并兼顾道德与隐私考量。

兼顾道德考量的主动测量

使用 MassDNS2 与 Unbound3 处理域名解析，得到 IP 地址与域名的目标元组。再将目标与ClientHello 的排列组合，交给 Amann 实现的 TLS 扫描器。作者基于Golang 标准库设计了自定义TLS 库，支持定义任意ClientHello 作为每个TLS 连接的输入并提取所需的TLS 握手元数据（https://github.com/tumi8/goscanner）。

MassDNS2
https://github.com/blechschmidt/massdns

Unbound3
https://www.nlnetlabs.nl/projects/unbound

ClintHello的设计

从 TLS 扫描器支持的特征空间与IANA 完整特征空间中，随机生成 5000 个ClientHello。在Alexa 与Majestic 流行的网站中进行测试，每个服务器最多发送 13 个ClientHello。选择性能最好的ClientHello，并对相同目标进行二次测量，通过50 个ClientHello 对目标进行指纹识别。